Deteksi Hujan Menggunakan Citra Satelit NOAA Frekuensi 137,9 MHz Menggunakan Morfologi Erison

Deteksi Hujan Menggunakan Citra Satelit NOAA Frekuensi 137,9 MHz

Menggunakan Morfologi Erison

Endi Permata†

Jurusan Pendidikan Teknik Elektro, Universitas Sultan Ageng Tirtayasa Cilegon Jl. Ciwaru Raya, Cipare, Kec. Serang, Kota Serang, Banten 42117

E-mail: endipermata@untirta.ac.id

Ri Munarto, Teguh Firmansyah

Jurusan Teknik Elektro, Universitas Sultan Ageng Tirtayasa Cilegon Jl. Jend. Sudirman Km. 3 Cilegon, Banten 42435

ABSTRAK

Cuaca merupakan faktor utama keselamatan untuk nelayan dan aktifitas pelayaran. Untuk itu diperlukan suatu sistem teknologi yang dapat mengetahui keadaan cuaca nasional dengan tepat. Teknologi satelit penginderaan jauh atau satelit NOAA merupakan jawaban atas masalah ini. Pada penelitian ini dilakukan perancancangan sistem pengolahan citra satelit NOAA frekuensi 137,9 MHz menggunakan morfologi erison. Penelitian ini memiliki beberapa keunggulan dalam sistem ini antara lain: otomatis memprediksi cuaca, berbasis opencv python (free), memiliki tingkat presisi yang tinggi dalam menggunakan kernel (1x1). Adapun metode yang digunakan adalah metode threshold untuk menentukan kecerahan warna awan

Kata Kunci: Hujan, Satelit NOAA, Opencv python

1. PENDAHULUAN

Keadaan cuaca merupakan faktor utama keselamatan untuk nelayan dan aktifitas pelayaran[1]. Untuk itu diperlukan suatu sistem teknologi yang dapat mengetahui keadaan cuaca nasional dengan tepat. Teknologi satelit penginderaan jauh merupakan jawaban atas masalah ini. Satelit merupakan kebutuhan yang tidak bisa dielakkan lagi pada saat sekarang ini. Kemampuan satelit mengalami peningkatan yang luar biasa. Mulai dari penggunaan satelit untuk pencarian sumber daya alam, komunikasi data dan telepon hingga penggunaan satelit untuk kebutuhan militer. Kelebihan utama data satelit ini adalah kecepatan dalam memperoleh data dengan cakupan luas [1].

Satelit US National Oceanographic and

Atmospheric (NOAA) merupakan jawaban atas masalah perairan Indonesia tadi. Satelit ini mampu memantau wilayah perairan Indonesia dengan luas cakupan (swath width) 2400 km. Dalam satu hari, satelit NOAA melewati perairan laut Indonesia dua, tiga atau empat kali. Berdasarkan hal tersebut, satelit ini sangat baik untuk kepentingan pemantauan perairan Indonesia dan perlu adanya pengkajian mengenai hal ini.

Pada penelitian ini dilakukan perancancangan sistem pengolahan citra satelit NOAA frekuensi 137,9 MHz menggunakan morfologi erison. Beberapa keunggulan dalam sistem ini antara lain: otomatis memprediksi hujan, berbasis opencv python (free), memiliki tingkat presisi yang tinggi adapun metode yang digunakan adalah metode threshold untuk menentukan kecerahan warna awan.

2. TINJAUAN PUSTAKA

National Oceanic and Atmospheric

Administration (NOAA) merupakan badan

pemerintahan Amerika Serikat dan merupakan satelit meteorologi generasi ketiga. Sensor pada misi NOAA yang relevan untuk pengamatan bumi adalah Advanced Very High Resolution Radiometer

(AVHRR) Menurut orbit satelit, NOAA dibagi menjadi dua macam yaitu orbit geostasioner dan orbit polar. Satelit NOAA dengan orbit geostasioner adalah satelit yang memonitor belahan bumi bagian barat pada ketinggian 22.240 mil di atas permukaan bumi, sedangkan satelit NOAA dengan orbit polar adalah satelit yang memonitor bumi pada ketinggian 540 mil di atas permukaan bumi (NOAA 2008). Satelit NOAA beroperasi di LAPAN, Jakarta mendeteksi seluruh permukaan bumi. Akibatnya sudut putar dan arah orbitnya tidak sama dengan kecepatan dan arah putar bumi. Satelit National Oceanic Atmosferic Administration (NOAA) beroperasi pada ketinggian 850 km di atas permukaan bumi[1].

Satelit NOAA termasuk kedalam satelit sistem pasif dari sumber tenaga utama untuk mengirim gelombang elektromagnetik berasal dari matahari. Saat ini di atmosfer Indonesia melintas setiap hari lima seri NOAA yaitu NOAA 12, NOAA 14, NOAA 15, NOAA 16, NOAA 17[1]. Saat ini NOAA memiliki satelit seri terbaru yaitu NOAA-N dengan kode seri Advanced Tiros-N (ATN) yang dibuat oleh

Lockheed Martin Space Systems Company

(LMSSC). Munculnya satelit ini untuk

menggantikan generasi satelit sebelumnya, seperti seri Television and Infra Red Observation Sattelite (TIROS), tahun 1960-1965 dan seri Infra Red Observation Sattelite (IOS), tahun 1970-1976. Konfigurasi satelit NOAA adalah pada ketinggian orbit 833-870 km, inklinasi sekitar 98,7°–98,9°, mempunyai kemampuan mengindera suatu daerah 2 kali dalam 24 jam (sehari semalam). NOAA-N merupakan seri ke-empat yang mendukung alat sensor microwave yang menghasilkan data temperatur, kelembaban, dataran dan air. Pada daerah berawan alat sensor pada spektrum Tampak dan Inframerah memiliki hasil yang kurang baik[1]. Tabel 1. menunjukan karakteristik dari satelit NOAA, adapun keterangannya sebagai berikut:

Tabel 1. Karakteristik Panjang Gelombang NOAA-AVHRR[2]

Saluran Resolusi Panjang

Gelombang (µm) Daerah Spektrum Penggunaan

1 1.09 km 0.58-0.68 Tampak Pemetaan awan dan permukaan siang hari,

pemantauan salju lapisan es, cuaca dan keadaan vegetasi

2 1.09 km 0.725-1.00 Tampak sampai

inframerah dekat

Batas daratan-perairan, salju, es, vegetasi

3A 1.09 km 1.58-1.64 Inframerah tengah Deteksi salju dan es

3B 1.09 km 3.55-3.93 Inframerah tengah Pemetaan malam hari, pengukuran

4 1.09 km 10.30-11.30 Inframerah jauh Pemetaan malam hari, awan siang-malam, penelitian air tanah untuk pertanian, dan pengukuran suhu permukaan laut

5 1.09 km 11.50-12.50 Inframerah jauh Pengukuran suhu permukaan laut, pemetaan

siang-malam, penelitian air tanah dan pertanian

Pengolahan Citra NOAA-AVHRR melalui beberapa tahapan pengolahan citra digital. Dari tahapan pengolahan citra yakni persiapan data, pemrosesan citra digital hingga penyajian data hasil pengolahan cita digital menggunakan software image processing dan GIS. Tahapan

pemrosesan/pengolahan citra NOAA-AVHRR

secara digital sebagai berikut: 1) Koreksi Radiometrik

Koreksi radiometrik yang dilakukan dengan tujuan untuk memperbaiki nilai piksel agar sesuai dengan nilai pancaran spektral obyek

sebenarnya dan mengurangi atau

menghilangkan efek atmosferik pada citra. 2) Koreksi Geometri

Koreksi geometri merupakan proses

perujukkan titik-titik pada citra ke titik-titik yang sama di medan ataupun di peta, yang diketahui koordinatnya.

3) Masking

Masking ini bertujuan untuk menghilangkan unsur yang tidak perlu dan tidak dapat diolah. Melakukan masking daratan dan awan dengan menggunakan saluran 1, 2 dan 3. 4) Mosaik

Mosaik citra dilakukan dengan

menggabungkan dua citra bahan, sehingga dihasilkan citra yang menggambarkan daerah penelitian secara penuh.

5) Pemotongan Citra

Pemotongan citra sangat diperlukan untuk membatasi daerah yang akan diteliti sehingga cakupan daerah penelitian tidak terlalu lebar.

PEMBAHASAN

Tahap preprocessing ini merupakan proses kondisi data citra sebelum data tersebut diolah dan dianalisa, adapun pada Gambar 1 menunjukan diagram blok tahapan pra proses citra sebagai berikut.

Pra proses

Sample Citra

satelit Resize citra Croping citra Binerisasi citra

Citra satelit setelah di pra

proses

Gambar 1. Diagram blok tahapan pra proses citra

Pada tahap ini citra yang dimasukan adalah berkas citra dengan format JPEG (*.jpg) dan PNG(*.png). setelah itu citra masukan di resize masing-masing dari ukuran 1040 x 1174 menjadi ukuran 908 x 708 kemudian citra tersebut dilakukan proses croping citra yang masing-masing citra berukuran 84 x 49 (100 region). Artinya pra proses seperti resize untuk menyamakan dimensi citra tahap preprocessing tahap ini merupakan proses yang dilakukan untuk standarisasi dimensi citra yang bertujuan menyamakan dimensi citra masukan yang bervariasi, juga untuk menghilangkan efek yang tidak diinginkan seperti noise dari citra. Setelah itu dilakukan binerisasi citra. Binerisasi citra adalah citra digital yang hanya memiliki 2 kemungkinan

warna, yaitu hitam dan putih. Pembentukan citra biner memerlukan nilai batas keabuan yang akan digunakan sebagai nilai patokan. piksel dengan derajat keabuan lebih besar dari nilai batas akan diberi nilai 1 dan sebaliknya piksel dengan derajat keabuan lebih kecil dari nilai batas akan diberi nilai 0. Fungsi dari proses binerisasi citra ini adalah untuk mempermudah proses pengenalan pola, karena pola akan lebih mudah terdeteksi pada citra yang mengandung sedikit warna.

(a) (b)

Gambar 2. (a) Citra asli mempunyai piksel berukuran 908x708, (b) Citra asli mempunyai pixel berukuran 908x708 yang sudah di bagi menjadi 100 bagian.

Gambar 3. Crop gambar mempunyai piksel berukuran 84 x 49

Tahap segmentasi citra ini tahap memecah suatu citra ke dalam beberapa segmen dengan suatu kriteria tertentu. Proses segmentasi citra dilakukan menggunakan opencv python untuk memisahkan objek dengan background-nya berdasarkan warna masing-masing objek. Pada tahap segmentasi ini

diperlukan kalibrasi warna supaya objek yang akan di proses sesuai dengan kriteria yang diinginkan. Pada gambar 4 menampilkan proses kalibrasi warna RGB ke HSV, adapun gambar proses tersebut sebagai berikut:

Gambar 4. Proses kalibrasi warna RGB ke HSV

Kalibrasi warna memiliki 6 trackbar yaitu H-low, H-high, V-low, V-high, S-low dan S-high yang masing masing punya fungsi berbeda, trackbar tersebut dapat diatur menggunakan kursor yang digerakan menggunakan mouse, masing masing trackbar berfungsi untuk mengatur batas atas dan batas bawah dari Hue, Saturation dan Lightness. Pada penelitian ini yang digunakan adalah fitur warna, model fitur warna pada penelitian ini menggunakan RGB dan HSV. Dibagian samping kanan terdapat jendela untuk menampilkan hasil pendeteksian dari objek yang ada di citra satelit NOAA yaitu awan, daratan dan laut. disitu objek-objek tersebut ditentukan batas atas dan batas bawah dari Hue, Saturation dan Lightness supaya bisa di berikan

warna ketetapan untuk masing-masing objek yang ada di citra satelit. Selanjutnya awan di bagi lagi berdasarkan tebal dan tipisnya awan dan sekaligus ditentukan gradasi warna awan sebagai indikator penentuan hujan dan masing-masing gradasi warna awan ditentukan warna awan yang berbeda-beda warnanya. model warna HSV ini lebih cocok dengan persepsi warna yang dialami manusia.

(a) (b) (c)

Gambar 5. (a) membedakan latar dengan objek laut, (b) membedakan latar dengan daratan, dan (c) membedakan latar dengan awan.

Gambar 6. Hasil dari kalibrasi warna RGB ke HSV

Mask adalah topeng citra, mask juga merupakan citra biner yang menandakan bagian citra sumber yang boleh dipindahkan ke citra hasil. Pada proses ini nilai HSV di ubah menjadi nilai threshold agar bisa di bedakan jika itu awan maka nilai nya 0

sedangkan 1 maka itu latar. Proses ini menunjukkan pernyataan, untuk rentang tertentu saja. Untuk memastikan citra tersebut hitam atau putih. Pada gambar 7. menunjukan proses sesudah di mask, adapun output citra sebagai berikut:

Gambar 8. Proses setelah di mask

Erison atau erosi merupakan salah satu operasi morfologi citra yang menghitung nilai minimum lokal berdasarkan area kernel atau structuring element. Operasi morfologi citra merupakan teknik pengolahan citra yang didasari pada bentuk atau morfologi fitur sebuah citra. Kernel atau structuring element merupakan matriks berukuran m x n yang memiliki titik pusat. Pada umumnya, proses erosi yang dilakukan pada sebuah citra menghasilkan objek yang lebih kecil dan

menghilangkan titik-titik objek menjadi bagian dari background berdasarkan kernel yang digunakan. Hasil dari proses ini untuk menentukan kualitas awan yang berpotensi hujan secara baik. Tujuan dari proses ini menghilangkan piksel yang tidak diinginkan dengan erode yang terdapat dalam erison maka titik noise akan dihilangkan sesuai besarnya matriks yang digunakan. Erison dilakukan dengan persamaan sebagai berikut:

(3.1)

f(x,y) = citra asal dengan matriks x,y SE = Structuring Element atau kernel

Gambar 9. Erosion : Mengambil Nilai Minimum Daerah Kernel B (Bradski & Kaehler, 2008)

Gambar 9. menunjukkan bahwa proses erosi menghitung nilai minimum setiap piksel dari citra asal A yang berada di daerah kernel B dan

menghasilkan gambar baru dengan cara

menggantikan nilai titik pusat kernel dengan nilai minimum yang didapatkan. Perhitungan akan dilakukan pada setiap piksel citra asal A. Pada

Gambar 10. Menunjukan hasil dari deteksi awan secara keseluruhan. dan kemudian pada gambar 3.16 menunjukan hasil dari proses erison, yang dimana proses erison dapat menyusutkan/menipiskan objek dalam suatu image biner dan tingkat penyusutan dikendalikan oleh suatu structuring element.

Gambar 10. Hasil dari proses erison Pada kernel matrik pada umumnya

berukuran kecil dengan elemen-elemennya adalah berupa bilangan. Kegunaan kernel untuk mengendalikan operasi erison. Kernel yang digunakan ukuran kernelnya berbeda-beda, diantaranya 1x1, 2x2, 3x3, 5x5, dan 10x10. Tujuan menggunakan kernel yang berbeda-beda dalam penelitian ini untuk dapat membedakan hasil deteksi hujan yang muncul, hasil deteksi hujan yang muncul awalnya diopersikan menggunakan erison dan fungsi kernel sebagai pengendali structuring element yang diketahui sangat berperan penting dalam pemunculan deteksi hujan. Sementara itu, pada

Gambar 11. Hasil Deteksi Hujan Menggunakan Kernel 1x1

Gambar 12. Hasil Deteksi Hujan Menggunakan Kernel 3x3

Pada penggunaan kernel 3x3 seperti Gambar 12 menunjukan hasil deteksi hujan menggunakan kernel 3x3, hasil citra setelah dilakukan proses erison dari Original citra dengan Stucturing Element (kernel) yang telah ditentukan. Telihat bahwa proses ini akan membuat ukuran sebuah citra menjadi lebih kecil dan jika menggunakan kernel 3x3 hasil deteksi hujan yang muncul akan kurang presisi dibandingkan kernel 1x1 atau 2x2 dan Jumlah dari piksel yang dihilangkan bergantung pada ukuran dan bentuk dari structuring element yang digunakan untuk memproses image tersebut, adapun gambar 12 hasil deteksi hujan menggunakan kernel 3x3 sebagai berikut.

PUSTAKA

Judul bagian pustaka di atas tidak diberi nomor. Format yang digunakan yaitu dengan urutan penulis, judul rujukan, nama publikasi, tempat & tahun. Untuk semua pengarang, tulis nama belakang diikuti singkatan nama tengah dan belakang

Pada penelitian ini dilakukan

perancancangan sistem pengolahan citra satelit

NOAA frekuensi 137,9 MHz menggunakan

morfologi erison. Penelitian ini memiliki beberapa keunggulan dalam sistem ini antara lain: otomatis memprediksi cuaca, berbasis opencv python (free), memiliki tingkat presisi yang tinggi dalam menggunakan kernel (1x1). Adapun metode yang digunakan adalah metode threshold untuk menentukan kecerahan warna awan. Semakin kecil ukuran kernel yang dipergunakan maka akan semakin meningkatkan tingkat presisi karena daerah awan yang diuji semakin kecil.

UCAPAN TERIMA KASIH

Penelitian ini dibiayai Simlitabmas Kementrian Riset Dikti. Universitas Sultan Ageng Tirtayasa. Program Penelitian Produk Terapan Tahun Anggaran 2017.

PUSTAKA

Andika, Gilang. 2008. Klasifikasi Tutupan Awan Menggunakan Data Sensor Satelit NOAA/AVHRR APT. Depok: Dept. Elektro Fakultas teknik universitas indonesia.

NOAA-N”, NASA & U.S. Department of

Commerce NOAA, U.S.A..Maryland. C.P. Lo, Pengindraan Jauh Terapan (Jakarta :

UI-Press, 1996), hal 112.

Woo-Hyoung Lee ; Kudoh, J.-I. ; Makino, S (1999). A new cloud detection algorithm for NOAA AVHRR imagery. Proceedings of the IEEE Region 10 Conference TENCON. Volume: 1 . Page(s): 170 - 173 vol.1. Tri Astuti S.Pd.I, 2013. Buku Pedoman Umum

Pelajar GEOGRAFI Rangkuman Inti Sari Geografi Lengkap SMA. Page(s):192-194.

Febrian, Rizal. 2015. Aplikasi Opencv Untuk Kontes Robot Pemadam Api Indonesia Berbasis Raspberry Pi Model B. Banten: Teknik Elektro Fakultas teknik Universitas Sultan Ageng Tirtayasa.